基于机器学习的设备维保单位评估方法、装置及电子设备与流程

1.本技术涉及人工智能技术领域，尤其涉及一种基于机器学习的设备维保单位评估方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.随着机器自动化的发展，各种各样的设备被应用于人们的工作和生活中，给人们带来极大的便利。通常，设备由维保单位定期进行维护保养，以保证设备能够正常、安全地运行。特别对于诸如电梯、大型游乐设施等特种设备，其运行情况关系到社会公众的生命安全，更是需要进行及时有效的维护保养。
3.然而，设备的各个维保单位的工作质量参差不齐且难以有效进行监管，导致有些设备未能够及时进行有效的维护保养，造成一定的安全隐患。


技术实现要素：

4.有鉴于此，本技术实施例提供了一种基于机器学习的设备维保单位评估方法、装置、电子设备及计算机可读存储介质，以解决现有技术中如何准确地对设备的维保单位进行评估，以保证设备能够及时极性有效的维护保养的问题。
5.本技术实施例的第一方面提供了一种基于机器学习的设备维保单位评估方法，包括：
6.获取目标维保单位针对目标设备的维保数据，所述维保数据包括所述目标维保单位对应的维保单位数据和所述目标设备对应的设备数据；
7.根据所述维保单位数据，构建所述目标维保单位对应的企业特征画像；
8.根据所述设备数据，构建所述目标设备对应的设备特征画像；
9.基于维保单位评估模型的特征向量提取层对所述企业特征画像和所述设备特征画像进行处理，得到目标特征向量；其中，所述维保单位评估模型为提前经过机器学习得到的模型；
10.基于所述维保单位评估模型的预设分类器对所述目标特征向量进行处理，得到分类概率；
11.根据所述分类概率，确定所述目标维保单位对应的评分信息。
12.可选地，所述维保数据还包括所述目标维保单位的维保从业人员数据，在所述基于维保单位评估模型的特征向量提取层对所述企业特征画像和所述设备特征画像进行处理，得到目标特征向量之前，还包括：
13.根据所述维保从业人员数据，构建维保从业人员特征画像；
14.对应地，所述基于维保单位评估模型的特征向量提取层对所述企业特征画像和所述设备特征画像进行处理，得到目标特征向量，包括：
15.基于维保单位评估模型的特征向量提取层对所述企业特征画像、所述设备特征画像和所述维保从业人员特征画像进行处理，得到目标特征向量。
16.可选地，所述维保数据还包括所述目标设备的使用单位对应的使用单位数据，在所述基于维保单位评估模型的特征向量提取层对所述企业特征画像和所述设备特征画像进行处理，得到目标特征向量之前，还包括：
17.根据所述使用单位数据，构建使用单位特征画像；
18.对应地，所述基于维保单位评估模型的特征向量提取层对所述企业特征画像和所述设备特征画像进行处理，得到目标特征向量，包括：
19.基于维保单位评估模型的特征向量提取层对所述企业特征画像、所述设备特征画像和所述使用单位特征画像进行处理，得到目标特征向量。
20.可选地，所述维保数据还包括所述目标设备的使用环境数据，在所述基于维保单位评估模型的特征向量提取层对所述企业特征画像和所述设备特征画像进行处理，得到目标特征向量之前，还包括：
21.根据所述使用环境数据，构建环境特征画像；
22.对应地，所述基于维保单位评估模型的特征向量提取层对所述企业特征画像和所述设备特征画像进行处理，得到目标特征向量，包括：
23.基于维保单位评估模型的特征向量提取层对所述企业特征画像、所述设备特征画像和所述环境特征画像进行处理，得到目标特征向量。
24.可选地，在所述获取目标维保单位针对目标设备的维保数据之前，还包括：
25.获取预设数目携带评分信息标签的预设特征画像作为目标样本数据；所述预设特征画像包括预设的企业特征画像和设备特征画像；
26.设置训练参数，并将所述目标样本数据输入初始的维保单位评估模型进行训练，直至预设损失函数的计算结果小于或者等于预设阈值，得到经过机器学习的所述维保单位评估模型。
27.可选地，在所述确定所述目标维保单位对应的评分信息之后，还包括：
28.根据所述目标维保单位对应的评分信息，确定所述目标维保单位对应的风险等级；
29.若所述风险等级等于或者高于预设等级，则发出风险提示信息。
30.可选地，在所述确定所述目标维保单位对应的评分信息之后，还包括：
31.记录所述目标维保单位在第一预设时间段内的评分信息，得到所述目标维保单位在第一预设时间段内的第一风险变化趋势线；
32.根据所述第一风险变化趋势线，预测所述目标维保单位在第二预设时间段内的预估风险变化趋势线。
33.本技术实施例的第二方面提供了一种基于机器学习的设备维保单位评估装置，包括：
34.维保数据获取单元，用于获取目标维保单位针对目标设备的维保数据，所述维保数据包括所述目标维保单位对应的维保单位数据和所述目标设备对应的设备数据；
35.企业特征画像构建单元，用于根据所述维保单位数据，构建所述目标维保单位对应的企业特征画像；
36.设备特征画像构建单元，用于根据所述设备数据，构建所述目标设备对应的设备特征画像；
37.目标特征向量确定单元，用于基于维保单位评估模型的特征向量提取层对所述企业特征画像和所述设备特征画像进行处理，得到目标特征向量；其中，所述维保单位评估模型为提前经过机器学习得到的模型；
38.分类概率确定单元，用于基于所述维保单位评估模型的预设分类器对所述目标特征向量进行处理，得到分类概率；
39.评分单元，用于根据所述分类概率，确定所述目标维保单位对应的评分信息。
40.本技术实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在电子设备上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面提供的基于机器学习的设备维保单位评估方法的各步骤。
41.本技术实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方面提供的基于机器学习的设备维保单位评估方法的各步骤。
42.本技术实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面中任一项所述的基于机器学习的设备维保单位评估方法。
43.实施本技术实施例提供的设备维保单位评估方法、装置、电子设备及计算机可读存储介质具有以下有益效果：本技术实施例中，先获取目标维保单位针对目标设备的维保数据，根据维保数据中包括的维保单位数据构建目标维保单位对应的企业特征画像，根据维保数据中包括的设备数据构建目标设备对应的设备特征画像；接着，基于经过机器学习得到的维保单位评估模型的特征向量提取层对该企业特征画像和设备特征画像进行处理，得到目标特征向量后，再通过维保单位评估模型的预设分类器对目标特征向量进行处理，得到分类概率；之后，根据该分类概率，可以确定目标维保单位对应的评分信息。由于能够根据维保数据构建企业特征画像和设备特征画像，并通过维保单位评估模型的特征向量提取层对其进行处理，因此能够得到融合了目标维保单位的特征和目标设备的特征的目标特征向量，之后根据该维保单位评估模型的预设分类器对该目标特征向量进行处理，能够准确地确定当前的目标维保单位对应的分类概率，通过该分类概率能够准确地确定目标维保单位对应的评分信息，从而使得维保单位的工作能力能够通过该评分信息被有效地量化评估，从而便于对维保单位进行监管，保证目标设备能够有效地进行维护保养，进而提高目标设备使用的安全性。
附图说明
44.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
45.图1是本技术实施例提供的一种基于机器学习的设备维保单位评估方法的实现流程图；
46.图2是本技术实施例提供的一种基于机器学习的设备维保单位评估装置的结构框图；
47.图3是本技术实施例提供的一种电子设备的结构框图。
具体实施方式
48.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
49.为了说明本技术所述的技术方案，下面通过具体实施例来进行说明。
50.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
51.还应当理解，在此本技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本技术。如在本技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
52.还应当进一步理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
53.另外，在本技术的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
54.目前，设备由维保单位定期进行维护保养，以保证设备能够正常、安全地运行。然而，设备的各个维保单位的工作质量参差不齐且难以有效进行监管，导致有些设备未能够及时进行有效的维护保养，造成一定的安全隐患。
55.为了解决上述的技术问题，本技术实施例提供了一种基于机器学习的设备维保单位评估方法、装置及电子设备，包括：获取目标维保单位针对目标设备的维保数据，所述维保数据包括所述目标维保单位对应的维保单位数据和所述目标设备对应的设备数据；根据所述维保单位数据，构建所述目标维保单位对应的企业特征画像；根据所述设备数据，构建所述目标设备对应的设备特征画像；基于维保单位评估模型的特征向量提取层对所述企业特征画像和所述设备特征画像进行处理，得到目标特征向量；其中，所述维保单位评估模型为提前经过机器学习得到的模型；基于所述维保单位评估模型的预设分类器对所述目标特征向量进行处理，得到分类概率；根据所述分类概率，确定所述目标维保单位对应的评分信息。
56.由于能够根据维保数据构建企业特征画像和设备特征画像，并通过维保单位评估模型的特征向量提取层对其进行处理，因此能够得到融合了目标维保单位的特征和目标设备的特征的目标特征向量，之后根据该维保单位评估模型的预设分类器对该目标特征向量进行处理，能够准确地确定当前的目标维保单位对应的分类概率，通过该分类概率能够准确地确定目标维保单位对应的评分信息，从而使得维保单位的工作能力能够通过该评分信息被有效地量化评估，从而便于对维保单位进行监管，保证目标设备能够有效地进行维护保养，进而提高目标设备使用的安全性。
57.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及
应用系统。
58.本技术实施例涉及的基于机器学习的设备维保单位评分方法，可以应用于智慧社区场景中，从而推动智慧城市的建设。示例性地，本技术实施例的设备可以为特种设备，具体可以为智慧社区中的电梯，设备维保单位具体可以为电梯维保单位。电梯是日常生活中常常使用的设备，其使用安全关系社会公众的生命安全，而电梯的安全依赖于维护保养。目前市场监管部门对电梯维保单位的事后监管，在事前预防方面缺少有效手段。为了促进良好的电梯维保市场环境，减少社会公众日常使用电梯过程中的生命安全隐患，辅助市场监管工作，需要对电梯维保单位进行工作质量评估和风险预测，净化市场环境。社区物业管理人员可以通过本技术实施例的方法，确定各个电梯维保单位的评分信息，从而能够对电梯维保单位的工作质量进行监控，保证电梯能够及时地进行有效的维护保养，提高电梯使用的安全性。
59.实施例一：
60.请参阅图1，图1示出了本技术实施例提供的一种基于机器学习的设备维保单位评估方法的实现流程图，该方法的执行主体为电子设备，该电子设备包括但不限于服务器、智能手机、平板电脑、笔记本、台式电脑等。如图1所示的设备维保单位评估方法详述如下：
61.在s101中，获取目标维保单位针对目标设备的维保数据，所述维保数据包括所述目标维保单位对应的维保单位数据和所述目标设备对应的设备数据。
62.本技术实施例中，目标设备为指定的需要进行维护的设备。目标维保单位为当前需要进行评分的维保单位，维保单位具体指的是能够对目标设备进行维护保养的企事业单位。在一些实施例中，该目标设备可以为特种设备，特种设备指的是指涉及生命安全、危险性较大的锅炉、压力容器(含气瓶)、压力管道、电梯、起重机械、客运索道、大型游乐设施和厂内专用机动车辆。
63.本技术实施例中，目标维保单位针对目标设备的维保数据，包括但不限于目标维保单位的维保单位数据和目标设备的设备数据。
64.示例性地，维保单位数据包括但不限于：官方登记信息、经营信息、投诉举报信息和舆情信息等。其中，该官方登记信息可以包括单位商事登记基本信息、变更信息、关联关系企业、监督检查信息、行政处罚等。在一个实施例中，该维保单位数据由管理人员提取录入并存储于预设数据库中，当需要对该目标维保单位进行评估时，可以从输入目标维保单位的标识信息(例如机构代码或者单位名称)，从预设数据库中获取到与该目标维保单位对应的维保单位数据。在另一个实施例中，可以根据该目标维保单位的标识信息，通过爬虫工具在预设的网站(例如官方登记网站、客户服务网站和新闻网站)进行数据抓取，得到与该目标维保单位相关的维保单位数据。
65.示例性地，设备数据包括但不限于设备基本参数信息、检验检测信息、投诉举报信息、维保记录、事故记录、使用场所信息、使用频率、使用年限、日常运行数据等。在一个实施例中，电子设备可以获取当前所要进行维护保养的目标设备的标识信息，并根据该目标设备的标识信息，从预设数据库中查询与该目标设备对应的设备数据。或者，可以根据该目标设备的标识信息，查询该目标设备对应的设备地址信息；之后，根据该设备地址信息与目标设备进行通信，获取目标设备的设备数据。
66.在一个实施例中，电子设备获取到用户发送的评估启动指令后，自动收集目标维
保单位和目标设备的信息，得到维保数据。
67.在s102中，根据所述维保单位数据，构建所述目标维保单位对应的企业特征画像。
68.本技术实施例中，目标维保单位对应的企业特征画像为指定格式的用于表示维保单位的特征的数据，该数据可以为指定格式的标签集合，还可以为指定维度的特征向量等。
69.在一个实施例中，获得该目标维保单位的维保单位数据后，对该维保单位数据进行结构化处理(可以包括数据清洗、数据格式化处理等)，即可得到该目标维保单位对应的企业特征画像。
70.在另一个实施例中，在获取到目标维保单位的维保单位数据后，可以将该维保单位数据输入第一画像构建模型进行处理，得到该目标维保单位对应的企业特征画像。其中，第一画像构建模型为提前以第一数目的携带标签的维保单位数据作为样本数据进行机器学习得到的卷积神经网络模型。
71.在s103中，根据所述设备数据，构建所述目标设备对应的设备特征画像、
72.本技术实施例中，目标设备对应的设备特征画像为指定格式的用于表示目标设备的特征的数据，该数据可以为指定格式的标签集合，还可以为指定维度的特征向量等。
73.在一个实施例中，获得该目标设备的设备数据后，对该设备数据进行结构化处理(可以包括数据清洗、数据格式化处理等)，即可得到该目标设备对应的设备特征画像。
74.在另一个实施例中，在获取到目标设备的设备数据后，可以将该设备数据输入第二画像构建模型进行处理，得到该目标设备对应的设备特征画像。其中，第二画像构建模型为提前以第二数目的携带标签的设备数据作为样本数据进行机器学习得到的卷积神经网络模型。
75.在s104中，基于维保单位评估模型的特征向量提取层对所述企业特征画像和所述设备特征画像进行处理，得到目标特征向量；其中，所述维保单位评估模型为提前经过机器学习得到的模型。
76.本技术实施例中，维保单位评估模型为提前以预设数目的预设特征画像(包括预设企业特征画像和预设设备特征画像)作为样本数据进行机器学习得到的。作为一种可能的实现方式，该机器学习的算法具体可以为随机森林算法。该预设数目的预设特征画像均携带了预设标签信息，该预设标签信息可以为具体的评分信息或者分类信息(包括有风险类型和无风险类型)。在一个实施例中，上述的维保单位评估模型为包含特征向量提取层和预设分类器的神经网络模型。
77.在得到目标维保单位对应的企业特征画像和目标设备对应的设备特征画像之后，将该企业特征画像和设备特征画像输入维保单位评估模型的特征向量提取层，进行特征提取和融合处理，得到目标特征向量。
78.在一个实施例中，该特征向量提取层为基于注意力机制的卷积神经网络，通过注意力机制，能够准确有效地融合企业特征画像和设备特征画像的特征，准确地得到目标特征向量。进一步地，该基于注意力机制的卷积神经网络为编码神经网络，具体包括注意力层和编码层。首先通过该特征向量提取层中的注意力层将企业特征画像和设备特征画像的信息进行加权融合后，再输入编码层进行编码，得到编码后的该目标特征向量。
79.在另一个实施例中，特征向量提取层可以由预设层数的卷积层和池化层组成。示例性地，该特征向量提取层依次包括第一卷积层、第一池化层、第二卷积层和第二池化层。
通过多层卷积结构，能够保证网络可以学习到更多的信息内容，尽可能准确地提取目标特征画像中的信息。将该目标特征画像输入该特征向量提取层进行卷积、池化等处理，可以得到该目标特征画像对应的目标特征向量。
80.在s105中，基于所述维保单位评估模型的预设分类器对所述目标特征向量进行处理，得到分类概率。
81.本技术实施例中的预设分类器可以为softmax分类器(一种逻辑回归分类器)、支持向量机(support vector machine,svm)分类器等。预设分类器中提前根据样本数据的标签，设置预设数目个可以分类的类别。在本技术实施例中，该分类的类别可以包括无风险类别和有风险类别。本技术实施例中的分类概率，具体指的为根据该目标特征向量进行分类计算，确定该目标特征向量属于无风险类别的概率。
82.在s106中，根据所述分类概率，确定所述目标维保单位对应的评分信息。
83.在得到该分类概率后，根据预设的分值范围，将该分类概率乘以预设倍数，得到该目标维保单位对应的评分信息。示例性地，设经过预设分类器得到的该目标特征画像被归为无风险类别的分类概率为0.7，设预设的分值范围为0～100，则预设倍数为100，将该分类概率乘以该预设倍数，得到数值70作为该目标维保单位对应的评分信息。
84.该评分信息能够衡量该目标维保单位的工作质量，示例性地，目标维保单位的评分越高，则该目标维保单位的工作质量越高，表示该目标维保单位能够更有效地实现设备维护保养。
85.作为一种可能的实现方式，本技术实施例的维保单位评估模型还可以包括衔接与特征向量提取层之后的全连接层，该全连接层可以包含dropout层(用于删除部分神经元特征的处理层)，通过该dropout层可以避免该维保单位评估模型出现过拟合现象，同时也能够加快模型训练速度。
86.本技术实施例中，由于维保单位评估模型能够通过特征向量提取层准确地对目标特征画像进行特征提取，得到目标特征向量，之后通过预设分类器准确地计算该目标特征向量的分类概率，从而能够基于该分类概率准确地计算对应的评分信息，因此能够准确地对设备维保单位进行量化评估。
87.在一个实施例中，可以依次将多个目标维保单位的维保数据通过上述的步骤s101至步骤s106的处理，从而得到多个目标维保单位分别对应的评分信息。之后，将评分最高的一个或者三个目标维保单位推荐给需要进行设备维护的用户。或者，将评分低于预设阈值的目标维保单位加入黑名单中，避免后续使用该目标维保单位的服务。
88.可选地，所述维保数据还包括所述目标维保单位的维保从业人员数据，在所述基于维保单位评估模型的特征向量提取层对所述企业特征画像和所述设备特征画像进行处理，得到目标特征向量之前，还包括：
89.根据所述维保从业人员数据，构建维保从业人员特征画像；
90.对应地，所述基于维保单位评估模型的特征向量提取层对所述企业特征画像和所述设备特征画像进行处理，得到目标特征向量，包括：
91.基于维保单位评估模型的特征向量提取层对所述企业特征画像、所述设备特征画像和所述维保从业人员特征画像进行处理，得到目标特征向量。
92.本技术实施例中，目标维保单位的维保从业人员数据包括但不限于维保从业人员
的基本信息、任职经历、违法违规记录、信用记录、职称、性格评价、家庭经济状况等。
93.该维保从业人员数据可以从目标维保单位维护的维保从业人员管理数据库中获取，也可以从从业人员官方登记网站中进行数据爬虫处理而获取。在获取到该目标维保单位的维保从业人员数据后，对该维保从业人员数据进行数据结构化处理，可以得到对应的维保从业人员特征画像。
94.在一个实施例中，可以将该维保从业人员数据输入第三画像构建模型进行处理，得到该目标维保单位对应的维保从业人员特征画像。其中，第三画像构建模型为提前以第三数目的携带标签的维保从业人员数据作为样本数据进行机器学习得到的卷积神经网络模型。
95.在构建得到维保从业人员特征画像之后，可以将该维保从业人员特征画像以及上述的企业特征画像、设备特征画像一同输入基于维保单位评估模型的特征向量提取层进行特征提取和融合处理，得到目标特征向量。
96.本技术实施例中，由于维保数据还包括维保从业人员数据，根据该维保从业人员数据能够构建得到维保人员特征画像，使得维保单位评估模型的特征向量提取层能够进一步结合维保从业人员的特征得到目标特征向量，从而能够多维度地对当前的目标维保单位进行评估，进一步提高维保单位评估的准确性。
97.可选地，所述维保数据还包括所述目标设备的使用单位对应的使用单位数据，在所述基于维保单位评估模型的特征向量提取层对所述企业特征画像和所述设备特征画像进行处理，得到目标特征向量之前，还包括：
98.根据所述使用单位数据，构建使用单位特征画像；
99.对应地，所述基于维保单位评估模型的特征向量提取层对所述企业特征画像和所述设备特征画像进行处理，得到目标特征向量，包括：
100.基于维保单位评估模型的特征向量提取层对所述企业特征画像、所述设备特征画像和所述使用单位特征画像进行处理，得到目标特征向量。
101.本技术实施例中，目标设备的使用单位对应的使用单位数据，包括但不限于该使用单位的单位商事登记基本信息、变更信息、关联关系企业、监督检查信息、行政处罚、投诉举报、经营信息、舆情信息等。
102.该使用单位对应的使用单位数据可以由用户输入，也可以从使用单位的官方登记网站中进行数据爬虫处理而获取。在获取到该使用单位的使用单位数据后，对该使用单位数据进行数据结构化处理，可以得到对应的使用单位特征画像。
103.在一个实施例中，可以将该使用单位数据输入第四画像构建模型进行处理，得到该使用单位对应的使用单位特征画像。其中，第四画像构建模型为提前以第四数目的携带标签的使用单位数据作为样本数据进行机器学习得到的卷积神经网络模型。
104.在构建得到使用单位特征画像之后，可以将该使用单位特征画像以及上述的企业特征画像、设备特征画像一同输入基于维保单位评估模型的特征向量提取层进行特征提取和融合处理，得到目标特征向量。
105.本技术实施例中，由于维保数据还包括使用单位数据，根据该使用单位数据能够构建得到使用单位特征画像，使得维保单位评估模型能够进一步结合使用单位的特征，多维度地对当前的目标维保单位进行个性化评估，从而进一步提高维保单位评估的准确性。
106.可选地，所述维保数据还包括所述目标设备的使用环境数据，在所述基于维保单位评估模型的特征向量提取层对所述企业特征画像和所述设备特征画像进行处理，得到目标特征向量之前，还包括：
107.根据所述使用环境数据，构建环境特征画像；
108.对应地，所述基于维保单位评估模型的特征向量提取层对所述企业特征画像和所述设备特征画像进行处理，得到目标特征向量，包括：
109.基于维保单位评估模型的特征向量提取层对所述企业特征画像、所述设备特征画像和所述环境特征画像进行处理，得到目标特征向量。
110.本技术实施例中，目标设备的使用环境数据，包括但不限于该目标设备使用地对应的经济水平、人口、气候、湿度等。
111.该使用单位对应的使用环境数据可以由用户输入，也可以获取目标设备的位置信息后，查询相关的财报网站、天气网站等得到。在获取到该目标设备的使用环境数据后，对该使用环境数据进行数据结构化处理，可以得到对应的环境特征画像。
112.在一个实施例中，可以将该使用环境数据输入第五画像构建模型进行处理，得到该目标设备对应的环境特征画像。其中，第五画像构建模型为提前以第五数目的携带标签的使用环境数据作为样本数据进行机器学习得到的卷积神经网络模型。
113.在构建得到该环境特征画像之后，可以将该环境特征画像以及上述的企业特征画像、设备特征画像一同输入基于维保单位评估模型的特征向量提取层进行特征提取和融合处理，得到目标特征向量。
114.本技术实施例中，由于维保数据还包括使用环境数据，根据该使用环境数据能够构建得到环境特征画像，使得维保单位评估模型能够进一步结合使用环境的特征，多维度地对当前的目标维保单位进行个性化评估，从而进一步提高维保单位评估的准确性。
115.在一个实施例中，具体在上述的步骤s104之前，可以包括：
116.根据所述维保从业人员数据，构建维保从业人员特征画像；
117.根据所述使用单位数据，构建使用单位特征画像；
118.根据所述使用环境数据，构建环境特征画像；
119.对应地，在步骤s104中，
120.基于维保单位评估模型的特征向量提取层对所述企业特征画像、所述设备特征画像、维保从业人员特征画像、使用单位特征画像和所述环境特征画像进行处理，得到目标特征向量。
121.通过该方法，能够同时结合目标维保单位的企业特征、目标设备的设备特征、维保从业人员特征、使用单位特征和目标设备的使用环境特征，多维度地对当前的目标维保单位进行个性化评估，从而进一步提高维保单位评估的准确性。
122.可选地，在所述s101之前，还包括：
123.获取预设数目携带评分信息标签的预设特征画像作为目标样本数据；所述预设特征画像包括预设企业特征画像和预设设备特征画像；
124.设置训练参数，并将所述目标样本数据输入初始的维保单位评估模型进行训练，直至预设损失函数的计算结果小于或者等于预设阈值，得到经过机器学习的所述维保单位评估模型。
125.本技术实施例中，可以获取预设数目个维保企业的预设企业特征画像和目标设备对应的预设数目个预设设备特征画像，组成预设数目个预设特征画像，并进行评分信息标注，得到携带评分信息标签的预设数目个预设特征画像作为目标样本数据。
126.之后，为初始的维保单位评估模型设置训练参数，该训练参数可以包括可以包括批尺寸参数、训练轮次参数及验证集比例参数、正则项、学习率等。设置训练参数后，将上述的目标样本数据输入该初始的维保单位评估模型进行训练，每轮训练后都根据预设损失函数的计算结果进行反向传播，迭代维保单位评估模型中的权重参数，直至预设损失函数的计算结果小于或者等于预设阈值，判定当前的维保单位评估模型已收敛，训练已完成，得到机器学习后的维保单位评估模型。其中，该预设损失函数可以为求取平均绝对误差、均方更误差、归一化平均绝对误差、归一化均方误差等任意一个误差值的函数。
127.本技术实施例通过在步骤s101之前，提前基于目标样本数据对初始的维保单位评估模型进行训练，能够准确地得到进过机器学习的维保单位评估模型，使得后续能够基于该维保单位评估模型准确地对设备维保单位进行评估。
128.可选地，在所述确定所述目标维保单位对应的评分信息之后，还包括：
129.根据所述目标维保单位对应的评分信息，确定所述目标维保单位对应的风险等级；
130.若所述风险等级等于或者高于预设等级，则发出风险提示信息。
131.本技术实施例中，提前根据预设的分值范围，划分了若干个风险等级。例如，设预设的分值范围为0～100分，其中，小于60分对应为高风险等级；大于或者等于60分，并且小于80分的为中风险等级；大于或者等于80分的为低风险等级。在确定了目标维保单位对应的评分信息后，可以查询风险等级划分标准，确定该目标维保单位当前对应的风险等级。例如，设当前目标维保单位对应的评分信息为70分，查询上述的风险等级标准后，确定该目标维保单位对应的风险等级为中风险等级。
132.本技术实施例中，提前设定了预设等级，当目标维保单位的风险等级等于或者高于预设等级，则发出风险提示信息。在一个实施例中，该预设等级为中风险等级，则在确定目标维保单位对应的风险等级为中风险等级，或者为高于该中风险等级的高风险等级时，发出风险提示信息。该风险提示信息具体可以为表示该目标维保单位工作质量不达标，存在较大的风险的提示信息，该提示信息可以为语音、文字、图像等任意一种或者多种格式的信息。
133.本技术实施例中，由于在确定目标维保单位对应的评分信息后，还能够进一步确定目标维保单位的风险等级，在该风险等级等于或者高于预设等级时及时地发出风险提示信息，因此能够进一步对目标维保单位进行监控，保证设备能够被低风险的维保单位进行有效维护，进而提高设备使用的安全性。
134.可选地，在得到目标维保单位对应的评分信息之后，还包括：
135.记录所述目标维保单位在第一预设时间段内的评分信息，得到所述目标维保单位在第一预设时间段内的第一风险变化趋势线；
136.根据所述第一风险变化趋势线，预测所述目标维保单位在第二预设时间段内的预估风险变化趋势线。
137.本技术实施例中，在每次得到目标维保单位对应的评分信息后，将其进行记录，保
存至电子设备的存储单元中。之后在达到预设时间后，将其进行统计，得到第一预设时间段对应的第一风险变化趋势线。根据该第一风险变化趋势线，可以进行趋势线拟合或者将该第一风险变化趋势线输入预设的预测模型，得到该目标维保单位在第二预设时间段对应的预估风险变化趋势线。通过对风险进行提前预估，能够进一步提前对维保单位的工作质量进行预判，提高设备使用的安全性。
138.在另一个实施例中，在得到该预估风险变化趋势线后，可以继续记录第二预设时间段实际的评分信息，得到该第二预设时间段对应的真实的第二风险变化趋势线。之后，计算该预估风险变化趋势线与该第二风险变化趋势线的误差，根据该误差计算结果更新维保单位评估模型的参数，进一步优化该维保单位评估模型，提高后续维保单位评估的准确性。
139.本技术实施例中，由于能够根据维保数据构建企业特征画像和设备特征画像，并通过维保单位评估模型的特征向量提取层对其进行处理，因此能够得到融合了目标维保单位的特征和目标设备的特征的目标特征向量，之后根据该维保单位评估模型的预设分类器对该目标特征向量进行处理，能够准确地确定当前的目标维保单位对应的分类概率，通过该分类概率能够准确地确定目标维保单位对应的评分信息，从而使得维保单位的工作能力能够通过该评分信息被有效地量化评估，从而便于对维保单位进行监管，保证目标设备能够有效地进行维护保养，进而提高目标设备使用的安全性。
140.实施例二：
141.图2示出了本技术实施例提供的一种基于机器学习的设备维保单位评估装置的结构示意图，为了便于说明，仅示出了与本技术实施例相关的部分：
142.该基于机器学习的设备维保单位评估装置包括：维保数据获取单元21、企业特征画像构建单元22、设备特征画像构建单元23、目标特征向量确定单元24、分类概率确定单元25和评分单元26。其中：
143.维保数据获取单元21，用于获取目标维保单位针对目标设备的维保数据，所述维保数据包括所述目标维保单位对应的维保单位数据和所述目标设备对应的设备数据。
144.企业特征画像构建单元22，用于根据所述维保单位数据，构建所述目标维保单位对应的企业特征画像。
145.设备特征画像构建单元23，用于根据所述设备数据，构建所述目标设备对应的设备特征画像。
146.目标特征向量确定单元24，用于基于维保单位评估模型的特征向量提取层对所述企业特征画像和所述设备特征画像进行处理，得到目标特征向量；其中，所述维保单位评估模型为提前经过机器学习得到的模型。
147.分类概率确定单元25，用于基于所述维保单位评估模型的预设分类器对所述目标特征向量进行处理，得到分类概率。
148.评分单元26，用于根据所述分类概率，确定所述目标维保单位对应的评分信息。
149.可选地，所述维保数据还包括所述目标维保单位的维保从业人员数据，所述基于机器学习的设备维保单位评估装置，还包括：
150.维保从业人员特征画像构建单元，用于根据所述维保从业人员数据，构建维保从业人员特征画像；
151.对应地，所述目标特征向量确定单元24，具体用于基于维保单位评估模型的特征
向量提取层对所述企业特征画像、所述设备特征画像和所述维保从业人员特征画像进行处理，得到目标特征向量。
152.可选地，所述维保数据还包括所述目标设备的使用单位对应的使用单位数据，所述基于机器学习的设备维保单位评估装置，还包括：
153.使用单位特征画像构建单元，用于根据所述使用单位数据，构建使用单位特征画像；
154.对应地，所述目标特征向量确定单元24，具体用于基于维保单位评估模型的特征向量提取层对所述企业特征画像、所述设备特征画像和所述使用单位特征画像进行处理，得到目标特征向量。
155.可选地，所述维保数据还包括所述目标设备的使用环境数据，所述基于机器学习的设备维保单位评估装置，还包括：
156.环境特征画像构建单元，用于根据所述使用环境数据，构建环境特征画像；
157.对应地，所述目标特征向量确定单元24，具体用于基于维保单位评估模型的特征向量提取层对所述企业特征画像、所述设备特征画像和所述环境特征画像进行处理，得到目标特征向量。
158.可选地，所述基于机器学习的设备维保单位评估装置，还包括：
159.训练单元，用于获取预设数目携带评分信息标签的预设特征画像作为目标样本数据；所述预设特征画像包括预设的企业特征画像和设备特征画像；设置训练参数，并将所述目标样本数据输入初始的维保单位评估模型进行训练，直至预设损失函数的计算结果小于或者等于预设阈值，得到经过机器学习的所述维保单位评估模型。
160.可选地，所述基于机器学习的设备维保单位评估装置，还包括：
161.风险等级确定单元，用于根据所述目标维保单位对应的评分信息，确定所述目标维保单位对应的风险等级；
162.风险提示单元，用于若所述风险等级等于或者高于预设等级，则发出风险提示信息。
163.可选地，所述基于机器学习的设备维保单位评估装置，还包括：
164.记录单元，用于记录所述目标维保单位在第一预设时间段内的评分信息，得到所述目标维保单位在第一预设时间段内的第一风险变化趋势线；
165.预测单元，用于根据所述第一风险变化趋势线，预测所述目标维保单位在第二预设时间段内的预估风险变化趋势线。
166.应当理解的是，图2示出的基于机器学习的设备维保单位评估装置的结构框图中，各单元用于执行图1对应的实施例中的各步骤，而对于图1对应的实施例中的各步骤已在上述实施例中进行详细解释，具体请参阅图1以及图1所对应的实施例中的相关描述，此处不再赘述。
167.实施例三：
168.图3是本技术另一实施例提供的一种电子设备的结构框图。如图3所示，该实施例的电子设备30包括：处理器31、存储器32以及存储在所述存储器32中并可在所述处理器31上运行的计算机程序33，例如基于机器学习的设备维保单位评估方法的程序。处理器31执行所述计算机程序33时实现上述各个基于机器学习的设备维保单位评估方法方法各实施
例中的步骤，例如图1所示的s101至s106。或者，所述处理器31执行所述计算机程序33时实现上述图2对应的实施例中各单元的功能，例如，图2所示的维保数据获取单元21至评分单元26的功能，具体请参阅图2对应的实施例中的相关描述，此处不赘述。
169.示例性的，所述计算机程序33可以被分割成一个或多个单元，所述一个或者多个单元被存储在所述存储器32中，并由所述处理器31执行，以完成本技术。所述一个或多个单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序33在所述电子设备30中的执行过程。例如，所述计算机程序33可以被分割成特征画像构建单元和评分单元，各单元具体功能如上所述。
170.所述电子设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是电子设备3的示例，并不构成对电子设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
171.所称处理器30可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
172.所述存储器31可以是所述电子设备3的内部存储单元，例如电子设备3的硬盘或内存。所述存储器31也可以是所述电子设备3的外部存储设备，例如所述电子设备3上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述存储器31还可以既包括所述电子设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
173.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
174.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
175.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出
本技术的范围。
176.在本技术所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
177.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
178.另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
179.所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
180.以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。